本程序是BP算法的演示程序, 其中的Levenberg-Marquardt算法具有實(shí)用價(jià)值。隨代碼還提供幫助文件，非常方便。
標(biāo)簽： Levenberg-Marquardt 程序 BP算法 價(jià)值
上傳時(shí)間： 2015-03-11
上傳用戶：stampede
matlab使用BP網(wǎng)絡(luò)的例子,使用Levenberg Marquardt算法提高訓(xùn)練速度,效果不錯(cuò)
標(biāo)簽： Levenberg Marquardt matlab BP網(wǎng)絡(luò)
上傳時(shí)間： 2015-05-08
上傳用戶：rishian
神經(jīng)網(wǎng)絡(luò)進(jìn)行手寫數(shù)字識(shí)別： 本程序是BP算法的演示程序, 其中的Levenberg-Marquardt算法具有實(shí)用價(jià)值. 帶有圖形界面
標(biāo)簽： Levenberg-Marquardt 程序 神經(jīng)網(wǎng)絡(luò) 數(shù)字識(shí)別
上傳時(shí)間： 2014-11-11
上傳用戶：moerwang
C/C++ implementation of the Levenberg-Marquardt non-linear least squares algorithm. levmar includes double and single precision LM versions, both with analytic and finite difference approximated jacobians
標(biāo)簽： Levenberg-Marquardt implementation non-linear algorithm
上傳時(shí)間： 2013-12-28
上傳用戶：gxf2016
本程序是BP算法的演示程序, 其中的Levenberg-Marquardt算法具有實(shí)用價(jià)值. 一、網(wǎng)絡(luò)訓(xùn)練 程序默認(rèn)狀態(tài)是樣本訓(xùn)練狀態(tài),現(xiàn)將樣本訓(xùn)練狀態(tài)下的如何訓(xùn)練網(wǎng)絡(luò)進(jìn)行說明: 1.系統(tǒng)精度: 定義系統(tǒng)目標(biāo)精度,根據(jù)需要定義網(wǎng)絡(luò)訓(xùn)練誤差精度.誤差公式是對(duì)訓(xùn)練出網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)和實(shí)際的網(wǎng)絡(luò)輸出結(jié)果求平方差的和. 最大訓(xùn)練次數(shù): 默認(rèn)為10000次,根據(jù)需要調(diào)整,如果到達(dá)最大訓(xùn)練次數(shù)網(wǎng)絡(luò)還未能達(dá)到目標(biāo)精度,程序退出. 3.步長: 默認(rèn)為0.01,由于采用變步長算法,一般不需人工設(shè)置. 4.輸入層數(shù)目: 人工神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元的節(jié)點(diǎn)數(shù)目. 5.隱含層數(shù)目: 人工神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元的節(jié)點(diǎn)數(shù)目. 6.輸出層數(shù)目: 人工神經(jīng)網(wǎng)絡(luò)的輸出層神經(jīng)元的節(jié)點(diǎn)數(shù)目. 7.訓(xùn)練算法: 強(qiáng)烈建議選取Levenberg-Marquardt算法,該算法經(jīng)過測(cè)試比較穩(wěn)定. 8.激活函數(shù): 不同的網(wǎng)絡(luò)激活函數(shù)表現(xiàn)的性能不同,可根據(jù)實(shí)際情況選擇. 9.樣本數(shù)據(jù)的處理: 由于程序沒有實(shí)現(xiàn)歸一化功能, 因此用來訓(xùn)練的樣本數(shù)據(jù)首先要?dú)w一化后才能進(jìn)行訓(xùn)練.
標(biāo)簽： Levenberg-Marquardt 程序 狀態(tài) 樣本
上傳時(shí)間： 2013-12-19
上傳用戶：firstbyte
最新的Levenberg Marquardt 算法。用于非線性最小二乘問題的參數(shù)估計(jì)和優(yōu)化！
標(biāo)簽： Levenberg Marquardt 算法 參數(shù)估計(jì)
上傳時(shí)間： 2016-11-20
上傳用戶：lili123
％ Train a two layer neural network with the Levenberg-Marquardt ％ method. ％ ％ If desired, it is possible to use regularization by ％ weight decay. Also pruned (ie. not fully connected) networks can ％ be trained. ％ ％ Given a set of corresponding input-output pairs and an initial ％ network, ％ [W1,W2,critvec,iteration,lambda]=marq(NetDef,W1,W2,PHI,Y,trparms) ％ trains the network with the Levenberg-Marquardt method. ％ ％ The activation functions can be either linear or tanh. The ％ network architecture is defined by the matrix NetDef which ％ has two rows. The first row specifies the hidden layer and the ％ second row specifies the output layer.
標(biāo)簽： Levenberg-Marquardt desired network neural
上傳時(shí)間： 2016-12-27
上傳用戶：jcljkh
Levenberg-Marquardt最小二乘擬合
標(biāo)簽： Levenberg-Marquardt
上傳時(shí)間： 2013-12-26
上傳用戶：firstbyte
a copylefted C/C++ implementation of the Levenberg-Marquardt non-linear least squares algorithm
標(biāo)簽： Levenberg-Marquardt implementation copylefted non-linear
上傳時(shí)間： 2013-12-15
上傳用戶：大三三
用gsl實(shí)現(xiàn)Levenberg-Marquardt算法
標(biāo)簽： Levenberg-Marquardt gsl 算法
上傳時(shí)間： 2017-07-16
上傳用戶：JIUSHICHEN
蟲蟲下載站版權(quán)所有 京ICP備2021023401號(hào)-1
